Spcnet.it Notizie geek e OSS/Linux. Su Telegram: InfoSec ITA Notizie
Home > Articolo > Il cascading failure di Microsoft 365: come un bug di lock contention ha messo in ginocchio Outlook e Teams
Il cascading failure di Microsoft 365: come un bug di lock contention ha messo in ginocchio Outlook e Teams

Il 12 novembre 2026 un guasto a catena ha reso inutilizzabili per oltre 24 ore alcuni dei servizi più critici di Microsoft 365: Outlook, Exchange Online, Teams, Copilot e, a tratti, Defender. Non è stato un singolo errore a mandare in crisi l’infrastruttura, ma la combinazione di tre fattori apparentemente innocui, già presenti da mesi, che si sono allineati in una finestra di poche ore. Microsoft ha pubblicato un’analisi preliminare dell’incidente, e vale la pena leggerla con attenzione: non è un caso isolato, è un libro di testo su come un sistema distribuito “sano” possa collassare senza che nessun singolo componente sia, da solo, la causa.

Un bug “dormiente” da tre mesi

La radice del problema è un difetto software introdotto a luglio 2026 in un aggiornamento ai server gateway di rete che instradano il traffico interno di Microsoft 365. L’aggiornamento era stato distribuito con la consueta procedura di safe deployment (rollout progressivo a ondate) ed era in produzione, senza incidenti, da oltre tre mesi.

Il difetto è un problema di lock contention: in determinate condizioni di traffico, i thread dei server gateway finiscono per contendersi le stesse risorse sincronizzate, bloccandosi a vicenda fino a far smettere di rispondere il processo. Microsoft lo descrive esplicitamente così:

"The contention issue is worsened on machines with more cores
and newer hardware."

Questo dettaglio è la chiave di tutto l’incidente. Il bug non è stato individuato nei test di carico pre-produzione per un motivo molto concreto: quei test venivano eseguiti su hardware meno potente e con meno core rispetto a quello attualmente in produzione. Più core disponibili significano più thread concorrenti che competono per il medesimo lock, e quindi una probabilità di contesa (e di stallo) molto più alta. Un problema di scalabilità che peggiora proprio sull’hardware più recente è un caso da manuale: ciò che sembra “più veloce e più moderno” può in realtà esporre percorsi di codice che su sistemi più lenti non si manifestano mai in modo visibile.

I tre fattori che hanno innescato il collasso

Un bug latente da solo non basta a spiegare un’interruzione globale. Microsoft individua tre elementi che, combinati, hanno trasformato un difetto silenzioso in un’interruzione di scala mondiale:

  • Il difetto stesso, presente e inerte da luglio, pronto ad attivarsi sotto un certo profilo di carico.
  • Un cambiamento nei pattern di traffico: circa 15 ore prima dell’incidente, Microsoft Teams è passato dall’infrastruttura di rete alternativa a quella primaria, la stessa usata da Exchange Online, aumentando il carico sui server gateway coinvolti e alterandone i pattern di utilizzo.
  • Una riduzione di capacità: circa il 14% dei server gateway era già fuori servizio per un problema non correlato. Il margine di capacità residuo, da solo sufficiente in condizioni normali, non ha retto all’aumento di carico generato dal secondo fattore.

Nessuno di questi tre elementi, isolatamente, avrebbe causato un’interruzione. È la loro sovrapposizione temporale, nell’arco di circa 15 ore, ad aver creato le condizioni perfette per l’attivazione del bug su scala.

La meccanica del cascading failure

Una volta innescato, il guasto si è propagato con una velocità sorprendente: in meno di due ore il difetto si è manifestato sull’intera flotta di server gateway, con oltre l’80% dei nodi che, nel momento di picco, non rispondeva più alle richieste.

Il meccanismo è quello classico del guasto a cascata nei sistemi distribuiti con failover automatico:

  1. Un server gateway smette di rispondere a causa del lock contention.
  2. Il sistema di bilanciamento del traffico, correttamente, reindirizza le richieste verso i server rimanenti.
  3. I server rimanenti ricevono più traffico e, per lo stesso motivo (più core, più concorrenza sui lock), hanno una probabilità più alta di incappare nello stesso stallo.
  4. Il ciclo si ripete, fino a coinvolgere la quasi totalità della flotta.

Le protezioni progettate per contenere la propagazione tra regioni geografiche diverse non sono bastate: il problema si è esteso a livello globale, superando gli isolamenti normalmente previsti tra region boundary. E il ripristino non è stato semplice: riavviare i server colpiti non risolveva nulla, perché venivano immediatamente sommersi dal traffico accumulato durante il downtime, ricadendo nello stesso stato di stallo. È un pattern ben noto a chi gestisce sistemi ad alta disponibilità, spesso chiamato “thundering herd”: il ripristino di un nodo genera un picco di richieste accodate che può a sua volta riprodurre il guasto originale.

Non tutti i servizi hanno sofferto nello stesso modo. Teams, OneDrive e SharePoint sono riusciti a passare su infrastrutture di rete alternative e si sono ripristinati prima; Exchange Online, che dipendeva in modo più stretto dai gateway colpiti, non ha avuto la stessa possibilità ed è rimasto compromesso più a lungo, con effetti diretti su Outlook e sulla disponibilità di Copilot per le funzionalità legate alla posta.

Timeline essenziale

  • Luglio 2026 — distribuzione graduale dell’aggiornamento con il difetto latente.
  • 11 novembre — circa il 14% della capacità dei server gateway va offline per un problema separato.
  • ~15 ore prima dell’incidente — Teams passa al gateway primario condiviso con Exchange Online.
  • 12 novembre, ore 11:20 ET — inizio dell’incidente, in coincidenza con il picco di traffico statunitense.
  • Entro due ore — il difetto si propaga sull’intera flotta; oltre l’80% dei server gateway non risponde.
  • 13 novembre, ore 11:10 ET — Microsoft conferma la risoluzione completa e il ripristino per tutti i clienti.

Le lezioni per chi gestisce infrastrutture critiche

Al di là del caso specifico, l’incidente offre spunti di progettazione validi per qualsiasi ambiente enterprise, non solo per chi opera su scala Microsoft:

  • I test di carico devono replicare l’hardware di produzione, non solo il profilo di traffico. Un bug di concorrenza che scala con il numero di core è invisibile su hardware sottodimensionato rispetto a quello reale.
  • I cambi di routing del traffico vanno trattati come eventi ad alto rischio, anche quando sono automatici e “normali”: uno shift del 15 ore prima può ancora contribuire a un incidente, se nel frattempo cambia il margine di capacità disponibile.
  • La capacità residua va validata contro gli scenari peggiori, non contro la media: un 14% di capacità offline può essere assorbito senza problemi in condizioni normali e diventare il fattore decisivo in combinazione con un secondo evento.
  • Il failover automatico può amplificare un guasto locale in un guasto globale, se il bug che causa il problema è presente identicamente su tutti i nodi verso cui si reindirizza il traffico. In questi casi, “spalmare” il carico non risolve nulla: lo distribuisce.
  • Il riavvio non è sempre un rimedio: se il traffico accodato supera la capacità del nodo appena ripristinato, si rientra nello stesso stato di stallo. Le strategie di ripristino devono prevedere un rientro graduale del traffico (rate limiting, warm-up controllato), non un “tutto acceso” immediato.

Microsoft ha annunciato, in attesa del report post-incidente definitivo, un incremento della capacità dei server gateway, un miglioramento del monitoraggio e nuove protezioni per impedire che un reindirizzamento del traffico possa innescare cascading failure analoghi in futuro. Charles Lamanna, EVP per Copilot, Agents e Platform in Microsoft, si è scusato pubblicamente per l’impatto sui clienti, rimandando ai dettagli completi disponibili nel Microsoft 365 Admin Center per i tenant coinvolti.

Fonti: BleepingComputer, ITPro.

Condividi: Twitter  |  Facebook  |  LinkedIn
Unisciti alla discussione

Questo è un blog del Fediverso: puoi trovare questo articolo ovunque con @blog@insicurezzadigitale.com e ogni commento/risposta apparirà qui sotto.

Se vuoi commentare su Il cascading failure di Microsoft 365: come un bug di lock contention ha messo in ginocchio Outlook e Teams, utilizza la discussione sul Forum.

>> forum community